🧠 وقتی AI یاد می‌گیره روش کار کردن خودش رو بهتر کنه!
مقاله‌ی اخیر Harness Learning Enables Generalizable Test-Time Adaptation (از دانشگاه کارنگی ملون که جزو بهترین دانشگاه‌های آمریکا توی علوم کامپیوتره) ایده‌ی بهبود عملکرد یه مدل، از طریق سیستمی که مدل داخلش کار می‌کنه، به جای تغییر وزن‌ها و آموزش مجددش رو مطرح می‌کنه.
به مجموعه‌ی دستورالعمل‌ها، ابزارها، گردش کار و نحوه‌ی مدیریت اطلاعات که رفتار یک Agent رو شکل می‌ده؛ harness می‌گن.
نویسنده‌ها مدلی رو آموزش دادن که با مشاهده‌ی نتیجه‌ی اجرای Agent، برنامه‌ی اجرایی اون رو اصلاح می‌کنه. جالب‌تر اینکه این تواناییِ اصلاح و سازگاری، تا حدی به مسئله‌های جدیدی که در زمان آموزش ندیده هم تعمیم پیدا کرده، بدون اینکه وزن‌های مدل اصلی تغییر کنن.
شاید بخشی از آینده‌ی Agentها، نه فقط توی مدل‌های بزرگ‌تر، بلکه توی سیستم‌هایی باشه که از تجربه‌های قبلی یاد می‌گیرن چجوری از همون مدل‌ها بهتر استفاده کنن.
این پژوهش هنوز به معنی خودبهبودی نامحدود Agentها نیست، اما مسیر تحقیقاتی خوبی رو نشون می‌ده که برخی شرکت‌ها هم مدت‌هاست روش کار می‌کنن.
📄** **مطالعه‌ی مقاله در arXiv